論文の概要: ViTaL: A Multimodality Dataset and Benchmark for Multi-pathological Ovarian Tumor Recognition

• arxiv url: http://arxiv.org/abs/2507.04383v1
• Date: Sun, 06 Jul 2025 13:11:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.152197
• Title: ViTaL: A Multimodality Dataset and Benchmark for Multi-pathological Ovarian Tumor Recognition
• Title（参考訳）: ViTaL:多病的卵巣腫瘍の診断のためのマルチモーダリティデータセットとベンチマーク
• Authors: You Zhou, Lijiang Chen, Guangxia Cui, Wenpei Bai, Yu Guo, Shuchang Lyu, Guangliang Cheng, Qi Zhao,
• Abstract要約: 卵巣腫瘍は、一般的な婦人科疾患として、早期発見時に急速に悪化し、深刻な健康危機に陥ることがある。 ディープニューラルネットワークは卵巣腫瘍を同定し、死亡率を低下させる可能性があるが、公開データセットが限られているため、その進行を妨げている。 496例のtextbfVisual, textbfTabular, textbfLinguistic modality data を含む, textbfViTaL という重要な卵巣腫瘍診断データセットを導入する。
• 参考スコア（独自算出の注目度）: 20.71378825645255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ovarian tumor, as a common gynecological disease, can rapidly deteriorate into serious health crises when undetected early, thus posing significant threats to the health of women. Deep neural networks have the potential to identify ovarian tumors, thereby reducing mortality rates, but limited public datasets hinder its progress. To address this gap, we introduce a vital ovarian tumor pathological recognition dataset called \textbf{ViTaL} that contains \textbf{V}isual, \textbf{T}abular and \textbf{L}inguistic modality data of 496 patients across six pathological categories. The ViTaL dataset comprises three subsets corresponding to different patient data modalities: visual data from 2216 two-dimensional ultrasound images, tabular data from medical examinations of 496 patients, and linguistic data from ultrasound reports of 496 patients. It is insufficient to merely distinguish between benign and malignant ovarian tumors in clinical practice. To enable multi-pathology classification of ovarian tumor, we propose a ViTaL-Net based on the Triplet Hierarchical Offset Attention Mechanism (THOAM) to minimize the loss incurred during feature fusion of multi-modal data. This mechanism could effectively enhance the relevance and complementarity between information from different modalities. ViTaL-Net serves as a benchmark for the task of multi-pathology, multi-modality classification of ovarian tumors. In our comprehensive experiments, the proposed method exhibited satisfactory performance, achieving accuracies exceeding 90\% on the two most common pathological types of ovarian tumor and an overall performance of 85\%. Our dataset and code are available at https://github.com/GGbond-study/vitalnet.
• Abstract（参考訳）: 卵巣腫瘍は、一般的な婦人科疾患として、早期に発見されず、深刻な健康危機に急速に悪化し、女性の健康に重大な脅威をもたらす。 ディープニューラルネットワークは卵巣腫瘍を同定し、死亡率を低下させる可能性があるが、公開データセットが限られているため、その進行を妨げている。 このギャップに対処するために,6つの病理カテゴリーにまたがる496症例を対象とした,<textbf{V}isual, \textbf{T}abular, \textbf{L}abular, \textbf{L}inguistic modality dataを含む,<textbf{ViTaL} という重要な卵巣腫瘍診断データセットを導入する。 ViTaLデータセットは, 2次元超音波像2216点, 496点, 496点, 496点, 496点, 496点, 3点からなる。 臨床的には良性腫瘍と悪性卵巣腫瘍を区別するだけでは不十分である。 卵巣腫瘍のマルチパス分類を可能にするために,Triplet Hierarchical Offset Attention Mechanism(THOAM)に基づくViTaL-Netを提案する。 このメカニズムは、異なるモダリティの情報間の関連性と相補性を効果的に強化することができる。 ViTaL-Netは卵巣腫瘍のマルチパス、多モード分類のタスクのベンチマークとして機能する。 総括的実験では, 卵巣腫瘍の2種類の病理組織型で90%以上, 全体の85%以上を達成し, 良好な成績を示した。 データセットとコードはhttps://github.com/GGbond-study/vitalnet.comで公開されています。

関連論文リスト

• MSWAL: 3D Multi-class Segmentation of Whole Abdominal Lesions Dataset [41.69818086021188]
  我々は,全腹部病変データセットの最初の3次元マルチクラスであるMSWALを紹介する。 MSWALは、胆石、腎臓石、肝腫瘍、腎臓腫瘍、膵癌、肝嚢胞、腎臓嚢胞など、様々な一般的な病変のカバー範囲を広げている。 Inception nnU-Netは、インセプションモジュールとnnU-Netアーキテクチャを効果的に統合し、異なるフィールドから情報を抽出する新しいセグメンテーションフレームワークである。
  論文  参考訳（メタデータ） (2025-03-17T06:31:25Z)
• BATseg: Boundary-aware Multiclass Spinal Cord Tumor Segmentation on 3D MRI Scans [10.038316516520055]
  BATsegと呼ばれる新しい手法を提案し,新しい境界認識損失関数を適用して腫瘍表面距離場を学習する。 本手法の有効性を検証するため,初回および大規模脊髄腫瘍データセットも導入した。
  論文  参考訳（メタデータ） (2024-12-09T14:11:56Z)
• Potential of Multimodal Large Language Models for Data Mining of Medical Images and Free-text Reports [51.45762396192655]
  特にGemini-Vision-Series (Gemini) と GPT-4-Series (GPT-4) は、コンピュータビジョンのための人工知能のパラダイムシフトを象徴している。 本研究は,14の医用画像データセットを対象に,Gemini,GPT-4,および4つの一般的な大規模モデルの性能評価を行った。
  論文  参考訳（メタデータ） (2024-07-08T09:08:42Z)
• Predicting Ovarian Cancer Treatment Response in Histopathology using Hierarchical Vision Transformers and Multiple Instance Learning [2.0661578265672094]
  深層学習は、卵巣がん患者の治療が寛解に寄与するか、または疾患の進行を防ぐのに役立つかを予測するために用いられる。 提案手法では,階層型画像ピラミッド変換器 (HIPT) を用いて地域レベルの特徴を抽出し,特徴を集約し,スライド全体を分類するアテンションベースマルチインスタンス学習 (ABMIL) モデルを提案する。 卵巣癌WSIが治療反応を正確に予測できる情報を含んでいるかどうかはまだ明らかになっていない。
  論文  参考訳（メタデータ） (2023-10-19T16:16:29Z)
• Integrative Imaging Informatics for Cancer Research: Workflow Automation for Neuro-oncology (I3CR-WANO) [0.12175619840081271]
  我々は,多系列ニューロオンコロジーMRIデータの集約と処理のための人工知能ベースのソリューションを提案する。 エンド・ツー・エンドのフレームワーク i) アンサンブル分類器を用いてMRIの配列を分類し, i) 再現可能な方法でデータを前処理し, iv) 腫瘍組織サブタイプを規定する。 欠落したシーケンスに対して堅牢であり、専門的なループアプローチを採用しており、セグメンテーションの結果は放射線学者によって手動で洗練される可能性がある。
  論文  参考訳（メタデータ） (2022-10-06T18:23:42Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• DiagSet: a dataset for prostate cancer histopathological image classification [1.5911024228956094]
  提案したデータセットは、430の完全な注釈付きスキャンから抽出された260万以上の組織パッチで構成されている。 がん組織領域の検出とスキャンレベルの診断の予測のための機械学習フレームワークを提案する。 提案手法はパッチレベルの認識において94.6%の精度を達成し,9人の病理組織学者とスキャンレベルの診断で比較した。
  論文  参考訳（メタデータ） (2021-05-09T20:06:25Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。